Imágenes 3D reconstruyen la conectividad cerebral
El Dr. Shuiwang Ji, profesor del Departamento de Informática e Ingeniería de la Universidad de Texas A&M, forma parte de una comunidad de investigación colaborativa que publicó recientemente su artículo, «BigNeuron: A Resource for Assessing and Predicting the Performance of automatizado neuron tracing algoritmos in conjuntos de datos de microscopía de luz” publicado en la edición de abril de la revista métodos naturales.
Iniciada en 2015 y dirigida por el Instituto Allen para la Ciencia del Cerebro, BigNeuron es una iniciativa internacional que reúne a informáticos y neurocientíficos de una decena de instituciones. Su objetivo es desarrollar un marco estándar para ayudar a los investigadores a definir los mejores métodos y algoritmos para una reconstrucción automática rápida y precisa de las neuronas. Luego, «probará» los algoritmos en conjuntos de datos de imágenes a gran escala utilizando supercomputadoras.
El proyecto dará como resultado un gran conjunto de imágenes de datos de reconstrucción neuronal disponibles públicamente, así como herramientas y algoritmos sólidos que los investigadores pueden usar para su propio trabajo analítico.
Solo en el cerebro humano, hay cientos de miles de millones de neuronas, y están conectadas entre sí a través de miles de «ramas» delgadas, formando una estructura de árbol 3D. Para comprender cómo funciona el cerebro y cómo cambia con el tiempo, los científicos deben poder reconstruir digitalmente estas estructuras neuronales para determinar la forma de cada neurona en una imagen.
Utilizando microscopios de alta resolución para capturar imágenes en 3D de neuronas individuales, los científicos han trabajado en el desarrollo de métodos de reconstrucción neuronal completamente automatizados durante casi 40 años. Su recreación sigue siendo un desafío debido a la diversidad de especies, la ubicación del cerebro, las etapas de desarrollo y la calidad de los conjuntos de imágenes de microscopía. Estos factores dificultan la generalización efectiva de los algoritmos existentes cuando se aplican a volúmenes de imágenes obtenidos por diferentes laboratorios.
Para mitigar este problema, el equipo desarrolló un algoritmo automatizado utilizando aprendizaje profundo para determinar la forma de cada neurona dentro de una imagen en particular.
